BioInfoWorld. Nr 2 Maj/Czerwiec. Czasopismo Koła Naukowego Bioinformatyki BIT ISSN

Transkrypt

1

2 BioInfoWorld Nr 2 Maj/Czerwiec Czasopismo Koła Naukowego Bioinformatyki BIT Wydanie Pokonferencyjne Konferencja Liczby Komputery Życie 2015 ISSN Publikacja wydawana przez Komitet Organizacyjny Konferencji Liczby Komputery Życie 2015 oraz Koło Naukowe Bioinformatyki BIT przy wsparciu finansowym Dziekana Wydziału Matematyki i Informatyki Uniwersytetu Jagiellońskiego Redakcja Marta Szkop Aleksandra Szymczak Karolina Cibor Skład Rafał Szkotak Komitet Naukowy dr Krzysztof Murzyn dr Bartosz Zieliński dr Jacek Śmietański dr hab. Wojciech Słomczyński Projekt Graficzny Kamil Malisz Wydawca Komitet Organizacyjny Konferencji Liczby Komputery Życie 2015 Koło Naukowe Bioinformatyki BIT Kontakt bioinfoworld.redakcja@gmail.com Nakład 200 egz. Publikacja dostępna na licencji CC BY 1

3 SPIS TREŚCI CZĘŚĆ POŚWIĘCONA BIAŁKOM... 4 Tytułem wstępu... 4 Cichy Kącik Biojęzyków Białka: Interpretacja i kompilacja... 6 Cichy Kącik Modelarza Gra w życie... 8 Artykuł Gościa Algorytmy genetyczne A co to? A dlaczego? A komu to potrzebne? Poszerzamy horyzonty Sprawozdanie z działań Koła CZĘŚĆ KONFERENCYJNA Sylwetki prelegentów WYKŁADY Przekazywanie sygnału i aktywacja receptorów GPCR. Symulacje dynamiki molekularnej O hierarchicznej strukturze domen chromatyny Zastosowanie wirtualnych badań przesiewowych w poszukiwaniu nowych leków Wprowadzenie do neuroinformatyki O sieciach biologicznych Zjawisko życia w świetle cybernetyki Stochastyczny model nieswoistej odpowiedzi immunologicznej e-świat i REALny mózg REFERATY Matematyka sieci a obrazowanie dyfuzyjne mózgu Przewidywanie fenotypu z genotypu Zastosowanie algorytmu Kaczmarza w tomografii POSTERY Charakterystyka oddziaływania białek ściany komórkowej drożdży C. albicans z białkowymi składnikami sieci neutrofilowych metodą powierzchniowego rezonansu plazmonowego oraz fotoreaktywnego cross--linkingu Odległości pomiędzy atomami białka w funkcji kątów dwuściennych Φ i Ψ Porównanie specyficzności oddziaływania wybranych flawonów ze świńskim białkiem AhR Poszukiwanie ligandów receptora 5-HT7 poprzez wirtualne badania przesiewowe z wykorzystaniem metody porównywania kształtu i dokowania molekularnego Rekonstrukcje neuronalne - środowisko informatyczne i wykorzystanie Synteza nanocząstek magnetycznych opłaszczonych Ni-NTA, charakterystyka spektroskopowa oraz ocena ich funkcjonalności Udział białka SOD1 w stwardnieniu zanikowym bocznym

4 Zależności pomiędzy głębokością pokrycia, a ilością oraz jakością zidentyfikowanych transkryptów podczas analizy różnic w ekspresji genów z wykorzystaniem RNA-seq Zastosowanie funkcji GAD do analizy sygnału epileptycznego Mind Uploading Zagrożenia związane z wykorzystaniem interfejsów mózg-komputer Adaptacyjne losowanie istotne poprzez minimalizację estymatorów różnych funkcji Słowniczek dla biologów Słowniczek dla Informatyków

5 CZĘŚD POŚWIĘCONA BIAŁKOM Tytułem wstępu Dr Sylwia Kędracka-Krok 1,2 1 Zakład Biochemii Fizycznej Wydziału Biochemii Biofizyki i Biotechnologii UJ 2 Pracownia Proteomiki Małopolskiego Centrum Biotechnologii UJ Proteomika definiowana jest jako gałąź biochemii ukierunkowana na badanie kompletnego zestawu białek (z uwzględnieniem ich modyfikacji potranslacyjnych - PTM) danej komórki, tkanki lub organizmu czyli tzw. proteomu. Znajomośd poziomu białek w komórce, ich funkcji, oddziaływao, lokalizacji subkomórkowej oraz mechanizmów regulacji jest kluczowe dla zrozumienia procesów biologicznych. Białka są głównymi funkcjonalnym cząsteczkami we wszystkich procesach biochemicznych a zmiany w ich poziomie związane są z chorobami. Rozwój techniki spektrometrii mas (MS) oraz chromatograficznych technik rozdziału peptydów (high pressure liguid chromatography - HPLC) umożliwia obecnie identyfikację kilku tysięcy białek w pojedynczym pomiarze HPLC-MS/MS. Takie podejście przy zastosowaniu najwyższej klasy spektrometrów wyposażonych w tandemowe analizatory pozwala na pomiar całych proteomów (dla prostszych organizmów takich jak bakterie czy grzyby) lub znacznej części proteomu (dla złożonych organizmów) w godzinowej skali czasowej. Trzecim ogromnie ważnym czynnikiem, który umożliwił dynamiczny rozwój proteomiki w ciągu ostatniej dekady jest współtowarzyszący rozwój narzędzi bioinformatycznych oraz mocy obliczeniowej komputerów. Na każdym etapie analizy danych eksperymentalnych, a nawet na etapie planowania doświadczenia wykorzystywane jest specjalistyczne oprogramowanie. W pierwszym etapie analizy widm spektrometrycznych tworzona jest lista mas fragmentacyjnych przyporządkowanych do masy peptydu prekursorowego, czemu towarzyszy przeprowadzenie dekonwolucji (wyznaczenie ładunku jonu) oraz odfiltrowanie sygnału od szumu. Wykorzystywane są tutaj różne algorytmy wyszukiwania pików. Kolejnym ogromnie ważnym etapem analizy jest identyfikacja białek. Standardowo opiera się ona na przeszukiwaniu białkowych bądź genomowych baz danych. Wykorzystywane są różne algorytmy przeszukujące (najczęściej stosowane: MASCOT, SEQUEST, X!Tandem, Andromeda, MS-GF+, MS Amanda, Byonic, Phenix), które na podstawie kryteriów statystycznych generują listę rankingową białek obecnych w próbce poczynając od tych najbardziej prawdopodobnych. Rozwijane jest też oprogramowanie służące do tzw. analizy de novo, czyli bez uwzględniania baz danych. Stosowane algorytmy można podzielid na dwie główne grupy 1) algorytmy przeszukujące bazy danych wszystkich możliwych kombinacji sekwencji peptydu dla danej masy prekursora 2) algorytmy oparte na idei grafów widmowych. Niestety ze względu na niedoskonałośd danych pomiarowych wyniki sekwencjonowania de novo często nie są satysfakcjonujące, jednak połączenie podejścia opartego na bazach danych i sekwencjonowaniu de novo może znacząco poprawid wiarygodnośd identyfikacji białek. Obecnie powstają nowe oraz ulepszane są istniejące narzędzia informatyczne łączące te dwa sposoby identyfikacji białek. 4

6 Identyfikacja białek nie jest głównym celem analiz proteomicznych, większośd badao proteomicznych ma na celu określenie zmian w poziomie białek np. zmian w czasie, zmian w procesach chorobowych, zmian wywołanych jakimś czynnikiem (np zmianą temperatury, niedotlenieniem, podaniem leku, itp.). Często prowadzone są badania porównawcze np. różnych typów komórek, czy też różnych tkanek nowotworowych. W tego typu badaniach nieodzowne jest zastosowanie specjalistycznych programów bądź to do porównawczej analizy obrazów dwuwymiarowej elektroforezy bądź do ilościowej analizy widm spektrometrycznych. Efektem analizy ilościowej jest lista białek, których poziom ulega zmianie, często są to dziesiątki lub nawet setki białek (up- lub down-regulowanych), które spełniają określone kryteria statystyczne. Na tym etapie eksperymentu wykorzystywane są kolejne narzędzia bioinformatyczne (np. STRING, David, FatiGo) które w oparciu o zgromadzone o białkach informacje (bazy Gene Ontology (GO)) grupują je ze względu na pełnione funkcje, lokalizację komórkową, procesy w których biorą udział. W wyniku takich analiz można na przykład uzyskad informacje na temat szlaków biochemicznych czy oddziaływao danego białka z innymi białkami, które podlegają zmianie w badanym przez nas procesie. Bardzo istotne funkcje regulatorowe w komórce pełnią modyfikacje potranslacyjne białek takie jak: fosforylacje, metylacje, acetylacje, ubikwitynacje, sumoilacje itd. Zatem bardzo ważnym aspektem badao proteomicznych jest analiza zmian w poziomie modyfikacji i tutaj również wykorzystywane są specjalistyczne narzędzia informatyczne. W ciągu ostatnich kilku lat intensywnie rozwijają się techniki tzw. celowej proteomiki polegające na ilościowych analizach porównawczych wybranego białka lub grupy białek w różnych stanach fizjologicznych lub/i patologicznych. Takie, oparte na hipotezie, podejście proteomiczne wymaga oprócz odpowiedniego sprzętu, właściwego planowania eksperymentu, przeprowadzenia pomiaru oraz analizy zmierzonych danych. Tego typu eksperymenty wymagają zastosowania specjalistycznych narzędzi informatycznych takich jak np. Skyline, PeptideAtlas. XXI wiek to niewątpliwie wiek rozkwitu proteomiki, nie byłby on jednak możliwy bez dostępu do coraz to doskonalszych programów bioinformatycznych. Wiele narzędzi bioinformatycznych stosowanych w proteomice jest dostępnych za darmo, co więcej są one wciąż poprawiane i dopracowywane, czasem nawet na prośbę użytkownika. To służy nie tylko rozwojowi proteomiki ale również sprzyja wzrostowi standardów i jakości uzyskiwanych wyników. Bibliografia 1) STRING: functional protein association networks - string-db.org 2) David Database for Annotation, Visualization and Integrated Discovery - david.abcc.ncifcrf.gov 3) FatiGO: a web tool for finding significant associations of Gene Ontology terms with groups of genes - babelomics.bioinfo.cipf.es 4) Skyline Targeted Proteomics Environment - brendanxuw1.gs.washington.edu/labkey/project/home/software/skyline/begin.view 5

7 Cichy Kącik Biojęzyków Białka: Interpretacja i kompilacja Rafał Szkotak Drugi numer czasopisma poświęcony został sekwencjom aminokwasowym: białkom i peptydom. Ufam, że po lekturze niniejszego artykułu Czytelnik pozna zakres, w jakim Biopython i Biojava pozwalają na analizę tych substancji. Na co dzieo sekwencje deponowane są w różnych bazach danych, takich jak UniProtKB/Swiss-Prot, a każda z nich posiada swój unikalny numer. Różnorodnośd baz danych ma swoje odbicie w wielu formatach zapisu sekwencji, takich jak wspomniane w zeszłym numerze genbank, czy fasta. Biopython jest w stanie wczytad większośd plików zawierających sekwencje, dzięki odpowiednim parserom. W sposób szczególny poświęcony jest temu moduł SeqIO. Zacznijmy więc, wykonując następujące polecenie: from Bio import SeqIO. Parser wymaga podania dwóch argumentów, z których pierwszym jest ścieżka do pliku (lub nazwa pliku), a drugim format, w którym dany plik jest zapisany (przykładowo polecenie: sekwencje = SeqIO.parse("1lat.fasta", "fasta")) stworzy listę struktur SeqRecord, zawierających sekwencje wczytane z pliku zapisanego w formacie fasta. Biopython daje możliwośd wczytania sekwencji z plików spakowanych, dzięki współpracy z programem gzip. Znacznie ciekawszą możliwością, którą oferuje Biopython jest możliwośd pobierania sekwencji bezpośrednio z Internetu. Przykładowo, w celu pobrania sekwencji o znanym numerze identyfikacyjnym z bazy danych SwissProt, należy zaimportowad najpierw pakiet ExPASy, a następnie wykonad następujące polecenia: handle = ExPASy.get_sprot_raw("XXX") seq_record = SeqIO.read(handle, "swiss") Pierwsze z nich tworzy deskryptor, zwany potocznie uchwytem do pliku pobranego z bazy SwissProt, zawierającego sekwencję o numerze "XXX. Drugie wczytuje sekwencje do listy seq_record. Tutaj, zamiast parsera zastosowana została funkcja read(), przyjmująca takie same argumenty. Plik warto zamknąd wykonując na uchwycie funkcję close(). W tym momencie można przejśd do pracy z obiektem typu SeqRecord, którego właściwości opisano w pierwszym numerze czasopisma. W celu zapisu sekwencji do pliku należy zatosowad funkcję write z pakietu SeqIO. Write przyjmuje następujące argumenty: lista sekwencji (w opisywanych przypadkach będą to seq_record oraz sekwencje, nazwa lub ścieżka do pliku wynikowego oraz format, w którym życzymy sobie je zapisad, np. SeqIO.write()(sekwencje, "moja.fa", "fasta"). Do tej pory analizowaliśmy liniowe ułożenie aminokwasów w łaocuchu, a pomijaliśmy ich rozmieszczenie przestrzenne. Struktury trzeciorzędowe białek zawarte są w bazie PDB, do której również można uzyskad dostęp, poprzez skrypt napisany w Biopythonie, dzięki modułowi PDB. Jednocześnie pdb jest jednym z kolejnych formatów zapisu sekwencji, zawierającym informacje między innymi o rozdzielczości, przy jakiej struktura przestrzenna została przewidziana, o technice badawczej, autorach, łaocuchach nukleotydów i aminokwasów, czy wreszcie współrzędnych atomowych. Wszystkie struktury mają swoje czteroznakowe identyfikatory, ułatwiające ich odszukanie. W celu pobrania 6

8 struktury z bazy internetowej, należy najpierw zaimportowad z Bio.PDB.PDBParser funkcję PDBParser. Funkcja ta przyjmuje wiele argumentów opcjonalnych, ale chyba najprzyjemniejszym spośród nich jest QUIET=True, zapobiegający wyświetlaniu ostrzeżeo spowodowanych złą jakością wczytywanych plików PDB. W tym miejscu trzeba zaznaczyd, że opisywany format PDB jest stopniowo wycofywany i wkrótce przestanie byd wspierany przez RCSB. Zastępuje go format mmcif, którego parsery również doczekały się implementacji w Biopythonie. Na parserze wykonywana jest funkcja get_structure, przyjmująca jako pierwszy argument nazwę, którą chcemy nadad strukturze, a jako drugi nazwę pliku, w którym nasza struktura jest zawarta. W celu pobrania struktury z Internetu należy użyd obiektu klasy PDBList(), na którym używa się funkcji retrieve_pdb_file, która jako argument przyjmuje wspomniany wcześniej czteroliterowy identyfikator. Struktura zawiera w sobie modele, które z kolei zawierają łaocuchy, zawierające reszty, w skład których wchodzą atomy. Pozornie, dostęp do pojedynczego, konkretnego atomu jest trudny, ale dzięki kilku pętlom for oraz funkcji get_list() wykonywanej na kolejnych szczeblach można w prosty sposób otrzymad jego współrzędne. Moduł Bio.PDB daje wiele możliwości,o których możnaby dużo pisad, tak więc skupię się na kilku. Pierwszą z nich jest przeładowany operator, obliczający odległośd pomiędzy obiektami klasy Atom. Zamiast używania skomplikowanego wzoru na długośd wektora wykonujemy działanie a b, gdzie a i b to obiekty Atom. Do pobrania współrzędnych obiektu klasy Atom służy funkcja get_vector. Mając trzy lub cztery takie wektory, przy użyciu funkcji odpowiednio trój i czteroargumentowa calc_angle i calc_dihedral, w prosty sposób oblicza się kąty i kąty torsyjne pomiędzy nimi. Jeśli chodzi o strukturę drugorzędową, to można ją wyłuskad z pliku pdb, dzięki funkcji DSSP z pakietu o tej samej nazwie. Biojava daje podobne możliwości pracy z plikami pdb. Gdy dana struktura znajduje się już na dysku lokalnym, można odczytad ją przy pomocy obiektu PDBFileReader, na którym wykonana zostanie funkcja getstructure, przyjmująca jako argument ścieżkę do pliku i zwracającą obiekt klasy Structure. Wcześniej na obiekcie klasy PDBFileReader można wykonad funkcje, które pozwolą na łatwiejsze osiągnięcie celu, który sobie założyliśmy. Zaliczamy do nich między innymi setpath, która ustawia ścieżkę do lokalnej bazy PDB, setautofetch, która spowoduje automatyczne pobieranie brakujących plików z sieci, czy setparsesecstruc determinującą odczytanie struktury drugorzędowej oraz getstructurebyid, pobierającą strukturę bezpośrednio przy pomocy identyfikatora. Zarówno Biojava jak i Biopython dają olbrzymie możliwości pracy z bazami danych zwierającymi różne typy struktur białek, zapisanych w różnych formatach i niemożliwym jest zawarcie wszystkich zastosowao tych języków w jednym artykule. Zachęcam do osobistego przebrnięcia przez wybrane rozdziały z przewodników po nich. Słownik Przeładowanie, parser, UniProtKB/Swiss-Prot, ExPASy, deskryptor, pętla for Bibliografia (dostęp ): 1) biopython.org/dist/docs/tutorial/tutorial.pdf ; rozdział 10. 2) biopython.org/wiki/the_biopython_structural_bioinformatics_faq 3) biojava.org/wiki/biojava:cookbook:pdb:read 7

9 Cichy Kącik Modelarza Gra w życie Rafał Klimek Minęło 45 lat od kiedy opracowany przez matematyka Johna Hortona Conway a automat został opublikowany na łamach Scientific American. Od tej pory ten genialny w swej prostocie eksperyment zyskał ogólnoświatowy poklask oraz jest bardzo popularny w środowiskach matematyków czy też ewolucjonistów. Gra w swej oryginalnej wersji rozgrywa się w przestrzeni dwuwymiarowej na planszy podzielonej za pomocą siatki na nieskooczoną ilośd kwadratowych pól. Każda komórka sąsiaduje z ośmioma sąsiadami. Nie istnieje żadna przestrzeo pomiędzy polami, sąsiedzi ściśle do siebie przylegają. Każde pole ma określony jeden z dwóch stanów: martwy lub żywy. Zmiana z jednego stanu na drugi odbywa się w iteracjach na podstawie następujących reguł: Żywa komórka posiadająca mniej niż 2 żywych sąsiadów, umiera na skutek samotności, Żywa komórka posiadająca 2-3 żywych sąsiadów pozostaje żywa, Martwa komórka posiadająca 3 żywych sąsiadów staje się żywa, Żywa komórka posiadająca 4 lub więcej żywych sąsiadów umiera na skutek zatłoczenia. Podczas rozgrywki jedyną ingerencją użytkownika jest wprowadzenie danych wejściowych, tzn. na określeniu pól, które są żywe podczas iteracji zerowej. Po skonfigurowaniu wejścia i uruchomieniu symulacji można zaobserwowad jak komórki samoistnie potrafią formowad struktury, mogą ewoluowad w miarę upływu czasu. Oczywiście, nie każde dane wejściowe pokazują rzeczy warte uwagi. Jednakże po analizie mechanizmów działania reguł można konstruowad naprawdę złożone struktury. Do najprostszych i najczęściej występujących konstrukcji należą struktury stałe (still lifes), czyli niezmieniające się w czasie będące koocowymi etapami ewolucji układu. Przykładami takich struktur są: Kolejnym typem są oscylatory, są to struktury posiadające pewien cykl podczas którego struktura w nieskooczonośd zmienia swój układ, aby zawsze po zakooczeniu okresu powrócid do stanu początkowego. Do reprezentantów tej grupy należą: 8

10 Przedstawione struktury może nie wydają się zbytnio interesujące, ale co jeśli stworzylibyśmy struktury przemieszczające się w sposób uporządkowany po planszy? Do takich struktur należą statki, którego najprostszym reprezentantem jest Szybowiec (Glider) będący równocześnie symbolem społeczności hakerskiej. Składa się on z pięciu żywych komórek i posiada okres długości pięciu iteracji. Konstrukcja ta jest bardzo często wykorzystywana jako przekaźnik żywych komórek pomiędzy innymi strukturami. Przejdźmy na poziom wyżej, co jeśli stworzylibyśmy strukturę generującą strukturę będącą statkiem. Coś takiego działałoby na zasadzie broni wystrzeliwującej amunicję w przestrzeo mogącą zaszkodzid innym bytom. Grupa ta określana jest mianem dział (guns), jego najprostszy reprezentant to nie kolos składający się kilku tysięcy komórek, lecz istota zwana Gosper Glider Gun o okresie równym 30 i składająca się z 36 komórek. Oprócz powyższych struktur występuje olbrzymia ilośd innych rodzajów jak np. puffers, statki pozostawiające po sobie struktury statyczne, czy też wicks rozszerzające swoją strukturę na przynajmniej jednym z kooców w określonym kierunku. 9

11 Ktoś mógłby zapytad po co to wszystko? Jaki sens ma zajmowanie się jakąś prostą gierką, w której powstają jakieś głupkowate nonsensy? Odpowiedź na to pytanie to prostota i olbrzymie możliwości. Jeśli spojrzymy na dzisiejsze komputery to bazują one na założeniach maszyny Turinga (stworzonej również w Grze w Życie), która dzięki swej prostocie i zdolności do rozbudowy umożliwiła na skonstruowanie dzisiejszych komputerów. Struktura na której odbywa się rozgrywka nazywana jest Automatem Komórkowym i jest często wykorzystywana w wizualizacji oraz implementacji wielu algorytmów (np. Spirali Ulama) czy też w bioinformatyce do symulacji złożonych systemów biologicznych (np. rozprzestrzeniania się nowotworu w tkankach). Bibliografia: Martin Gardner, "Mathematical Games," Scientific American, vol. 223, no. 4, October 1970, p Implementacja Gry w Życie (bez interfejsu graficznego): class GameInLife: def init (self, width, height): self.grid = [[False for y in range(height)] for x in range(width)] self.width = width self.height = height def changestate(self, x, y): if self.grid[x][y] == False: self.grid[x][y] = True else: self.grid[x][y] = False def singleiteration(self): for i in range(self.width): for j in range(self.height): aliveneighbours = 0 for x in range(i-1,i+2,2): for y in range(j-1,j+2,2): if self.grid[x][y] == True: aliveneighbours += 1 if aliveneighbours < 2: self.grid[i][j] = False elif aliveneighbours == 3: self.grid[i][j] = True elif aliveneighbours >= 4: self.grid[i][j] = False def iterate(self, numberofiterations): for i in range(numberofiterations): self. singleiteration() return self.grid def getgrid(self): return self.grid 10

12 Artykuł Gościa Algorytmy genetyczne A co to? A dlaczego? A komu to potrzebne? Michał Foryt Dawno, dawno temu, w roku 1975, za siedmioma górami, za siedmioma lasami, w odległej krainie zwanej Stany Zjednoczone żył sobie pewien uczony. Nazywał się on John Holland, pracował na Uniwersytecie Michigan i zajmował się on opisywaniem, i wyjaśnieniem istoty procesów adaptacyjnych występujących w przyrodzie, a także stworzeniem oprogramowania, które będzie mogło odtwarzad podstawowe mechanizmy jakie rządzą systemami biologicznymi. W taki oto sposób można by zacząd opis czym są algorytmy genetyczne, ponieważ jeszcze nie tak dawno temu dziedzina ta mogłaby byd zaliczana do wymysłów pisarzy, specjalizujących się w książkach z gatunku science fiction. Dzisiaj służą one do przeszukiwania alternatywnych rozwiązao problemu, celem znalezienia optymalnego rozwiązania, a najczęściej po prostu najbardziej zbliżonego do niego inspirowany jest on bowiem darwinowską zasadą doboru naturalnego. Algorytmy ewolucyjne (bo to właśnie do nich zaliczane są metody genetyczne) są szczególnie istotne, gdy zajmujemy się sztuczną inteligencją (projektowanie sieci neuronowych), albo tworzeniem obwodów elektrycznych. Wykorzystywane są też przy rozwiązywaniu problemów NP trudnych (czyli takich, dla których znalezienie rozwiązania nie jest możliwe ze złożonością wielomianową), dla których algorytmy ewolucyjne starają się znaleźd rozwiązania dostatecznie dobre z punktu widzenia praktycznych zastosowao. We wszystkich tych przypadkach możemy bowiem wyszukad jedynie przybliżone rozwiązanie. Lech, Czech i Rus Zapewne każdy pamięta legendę o Lechu,Czechu i Rusie, którzy osiedli na zachodzie, południu oraz wschodzie i dali początek oddzielnym krajom słowiaoskim. Wyobraźmy sobie, że siedząc przy ognisku, rozmawiali, snując domysły, jak będą wyglądad ich następne pokolenia. Czy ich synowie będą brunetami o czarnych oczach? A może odziedziczą typowo słowiaoski typ urody? Dzięki algorytmom genetycznym nie musimy gdybad, ale możemy przeprowadzid symulację, która powie nam, jak powinien wyglądad nasz gatunek (w tym przypadku jest to grupa Słowian) w następnych pokoleniach. Zacznijmy od tego, jakie cechy ma mied nasz osobnik. Załóżmy,że będą to: - płed (kobieta - 0 lub mężczyzna - 1) - kolor oczu (zielone - 00, niebieskie - 01, brązowe - 10, piwne - 11) - kolor włosów (blond - 00, rude - 01, ciemne - 10) - wzrost (< , , , , , 180< - 101) - narodowośd (Polak - 00, Czech - 01, Rusin - 10). Niestety, gdybyśmy chcieli każdą z tych cech opisad słowami, to w programie powinniśmy używad zmiennych typu String, co zaś byłoby bardzo nieefektywne. Lepszym pomysłem byłoby przedstawienie permutacji powyższych cech za pomocą ciągu cyfr - 11

13 chromosomu, np oznaczałoby kobietę Polkę, blondynkę z zielonymi oczami, która ma mniej niż 140 cm wzrostu. Dzięki temu, że zmniejszyliśmy rozmiar przeciętnego osobnika danego gatunku z kilku Stringów do pojedynczego ciągu znaków (w tym przypadku do 10 bitów), będziemy mogli utworzyd znacznie więcej przykładów postaci. Ponadto prościej będzie je ze sobą krzyżowad. Ilośd ma znaczenie Wiemy już, jak przedstawid pojedynczego osobnika. Kolejną ważną rzeczą jest wielkośd populacji. Musimy pamiętad, że jeżeli nasz zbiór będzie zawierał zbyt małą ilośd przedstawicieli, to algorytm znajdzie co prawda jakieś rozwiązanie, ale będzie ono bardzo dalekie od optymalnego. Z kolei zbyt duża ilośd powoduje, że algorytm będzie działał wolno. Poza wielkością grupy istotne jest też, aby była ona jak najbardziej zróżnicowana. Kiedy mamy już wybraną populację, rozpoczynamy ocenę osobników. W naszym przypadku za kryterium możemy przyjąd to, za którą z cech odpowiada gen dominujący, a za którą gen recesywny. Jeżeli będziemy stosowad algorytmy ewolucyjne do rozwiązywania innych zadao, np. problemu komiwojażera, to naszym kryterium będzie odległośd pomiędzy miastami. Selekcja naturalna Czas przejśd do najważniejszego kroku selekcji. Tutaj będziemy kreowad kolejne pokolenie. Podobnie jak w naturze, to które cechy zostaną odziedziczone zależy od wartości oceny, której dokonaliśmy w poprzednim kroku. Selekcja bowiem polega na wyborze najlepiej przystosowanych osobników. Istnieje kilka metod selekcji, ale najpopularniejsze to metoda koła ruletki, turnieju i rankingu liniowego. Ruletka Przyjmijmy, że n jest liczbą osobników dzieci. Ze zbioru rodziców losujemy n organizmów, które zostaną przepisane do nowego pokolenia. Naturalnie, każdy okaz ma mniejsze lub większe szanse, że zostanie wylosowany. Prawdopodobieostwo to możemy wyliczyd z następującego wzoru: P wylosowania = wartość przystosowania osobnika wartości przystosowania wszystkich osobników Ranking liniowy Idea jest analogiczna do metody ruletki. Jedyną modyfikacją jest to, że stosujemy inną funkcję określającą prawdopodobieostwo wyboru danego osobnika. Każdej istocie nadajemy jakąś wartośd, określającą przystosowanie. Jej wartośd zależed będzie od położenia elementu na liście posortowanej względem wartości funkcji oceny. Wzór, którym możemy posłużyd się przy obliczaniu prawdopodobieostwa dziedziczenia ma postad: P wylosowania = wartość przystosowania osobnika przystosowań wszystkich osobników 12

14 Turniej Ta metoda jest zupełnie inna, niż dwie poprzednie. Polega na tym, że z całej populacji losujemy kilku osobników (czyli tworzymy grupę turniejową). Z tej grupy wybieramy osobnika najlepiej przystosowanego, którego później przypisujemy do nowo utworzonej populacji. Krzyżowanie W tym kroku będziemy wymieniad materiał genetyczny między dwoma rozwiązaniami w populacji. Efektem są kolejne dwa osobniki. Oczywiście nie wszystkie rozwiązania muszą się ze sobą krzyżowad Liczbę krzyżowao określa tzw. współczynnik krzyżowania, który przyjmuje wartości między 0 a 1. Pokazuje on, jaka liczba osobników powinna zostad w jednej iteracji skrzyżowana. Najprostsze możliwe krzyżowanie polegad będzie na podzieleniu dwóch chromosomów na pół, a następne na posklejaniu ich na krzyż. Wródmy jednak do naszych trzech braci.. Lech, mający 18 cm brunet o ciemnych oczach, wracając z polowania zauważył śliczną, drobną (165 cm) Czeszkę, Teresę, o blond włosach i niebieskich oczach. Po jakimś czasie, gdy już udało mu się zdobyd jej serce, okazało się, że para spodziewa się dzieci. Układ ich genów może wyglądad następująco: Teresa: Lech: Pierwsze dziecko: (Ania): blond włosy, niebieskie oczy, Polka, ponad 180 cm wzrostu. Drugie Dziecko (Honza): Czech, ciemne włosy i oczy, cm wzrostu. Mutacja Mutacja w odróżnieniu od krzyżowania zmienia tylko jednego osobnika. Podobnie jednak jak przy krzyżowaniu mamy współczynnik mutacji, który określi, ile osobników będzie w jednej iteracji ulegało mutacji. ********** Mam nadzieję, że powyższym tekstem udało mi się chod zainteresowad i przybliżyd tematykę algorytmów ewolucyjnych. Algorytmy ewolucyjne są moim zdaniem niezwykle ciekawe, a ponadto mam nadzieję, że przyszłości staną się ważną dziedziną informatyki, a nie jedynie ciekawostką, o której niedługo świat zapomni. Bibliografia:

15 Poszerzamy horyzonty Zachęcamy do udziału w następujących kursach e-learningowych, prowadzonych przez University of California w San Diego, zamieszczonych na platformie Coursera: 1. R Programming (start 4 maja) 2. The Brain and Space (11 maja) 3. Comparing Genes, Proteins, and Genomes (początek w lipcu) 4. Python for Genomic Data Science (początek w lipcu) 14

16 Sprawozdanie z działao Koła Konferencja Liczby Komputery Życie Jest to jak dotąd największym ze realizowanych przez KNB BIT projektów i pierwszym, na którego organizację Koło otrzymało finansowanie z budżetu Rady Kół Naukowych. Na uwagę zasługuje nie tylko ogólnopolski zasięg konferencji, lecz również jej unikatowy i szeroki profil tematyczny oraz fakt, że jest ona w całości konferencją bezpłatną. Konferencja odbyła się w dniach maja w Krakowie, na Wydziale Matematyki i Informatyki UJ. Zorganizowaliśmy ją w porozumieniu z trzema innymi Kołami Naukowymi: Koło Matematyków Studentów, Koło Neuronaukowców NEURONUS oraz Koło Naukowe Wolnego Oprogramowania Slimak. Panele konferencji były poświęcone tematyce: bioinformatyki biomatematyki modelowania matematycznego i komputerowego biologii systemów biologii molekularnej neuroinformatyki projektowania leków Uczestnicy, oprócz poszerzenia swojej wiedzy poprzez udział w wykładach i warsztatach, mieli okazję do prezentacji własnych wyników, kontaktu z ludźmi nauki oraz integracji ze środowiskiem akademickim z całej Polski, co pozwoliło na wymianę doświadczeo pomiędzy młodymi adeptami bioinformatyki i potencjalnie może dad początek przyszłej współpracy naukowej, do której zachęcali m.in. prelegenci. W konferencji wzięło udział 140 osób spośród 200 otrzymanych zgłoszeo, w tym w warsztatach uczestniczyło 84 osoby. Części naukowej naszej Konferencji towarzyszyły imprezy kulturalno-towarzyskie. W piątek zorganizowaliśmy zwiedzanie Krakowa. Okazało się, że termin konferencji szczęśliwie zbiegł się w czasie z ogólnopolską inicjatywą znaną pod nazwą Noc Muzeów. Z tego powodu opracowaliśmy propozycję wycieczki połączoną ze zwiedzaniem kilku muzeów. Złożyliśmy wizytę w domu młodopolskiego malarza, witrażysty i grafika Józefa Mehoffera. Tam poznaliśmy sposób życia rodzinnego i towarzyskiego, a także twórczości malarza i jego żony. Uczestnicy zostali zaproszeni do spaceru uliczkami starego miasta. Po drodze pokazaliśmy Kościół Mariacki, Sukiennice oraz Barbakan. Po dotarciu do Muzem Akademii Sztuk Pięknych znajdującego się na Placu Józefa Matejki 13. Całośd zajęła ok. 3 godziny. Sobotni dzieo zakooczyła impreza integracyjna na Krakowskim Kazimierzu w klubie Artefakt Cafè przy ul. Dajwór 3. W mniej oficjalnej atmosferze mieliśmy okazję lepiej się poznad również od tej mniej naukowej strony. 15

17 Przeprowadziliśmy konkurs na najlepszy referat i poster. Sponsorem nagród książkowych było Wydawnictwo Naukowe PWN. W trakcie konferencji zostały zebrane ankiety oceniające czynnych uczestników. Aby zachęcid studentów do ich wypełniania, zdecydowaliśmy się nagrodzid również jedną osobę spośród wypełniających. Losowania dokonał prof. Bielecki. Szczęśliwym zwycięzcą został Karol Badowski, natomiast laureatami konkursu zostali następujący studenci: Za referaty: 1. Adam Rybioski 2. Michał Kozdęba, Jan Zaucha Za postery: 1. Martyna Gajos 2. Aneta Latacz i Piotr Kruk 3. Judyta Jabłooska. Patronat honorowy nad konferencją objęli: prof. dr hab. Armen Edigarian, Dziekan Wydziału Matematyki i Informatyki Uniwersytetu Jagiellooskiego Polskie Towarzystwo Bioinformatyczne Patronat medialny objęli: Radio17 Biotechnologia.pl Kolejną z inicjatyw, jakich koło podjęło się w ostatnich miesiącach był nowy cykl warsztatów i seminariów. Jego uczestnicy mieli okazję zapoznania się z podstawowymi strukturami danych języka Python oraz formatami zapisu sekwencji biologicznych, a także pracowad z modułami Seq, SeqRecordi SeqIO. Częśd zajęd poświęcona była również analizie filogenetyczneji alignmencie wielosekwencyjnym w oparciu o bibliotekę Bio. Warsztaty BioPython

18 Wystartował również nasz projekt naukowy wykrywający duplikacje genów w genomie. Nadeszła więc pora na stworzenie organizacji w serwisie GitHub, co pozwoli na ułatwienie współpracy nad projektem, usprawni przepływ informacji i zwiększy transparentnośd działao. Nasze repozytoria będzie można znaleźd pod adresem: github.com/kn-bit-uj 11 maja odbyło się seminarium prowadzone przez mgr Ewę Matczyoską pt. Zastosowania NGS w diagnostyce medycznej i nie tylko.w ramach seminarium pokazany został przebieg podstawowej analizy danych NGS w celach diagnostycznych, od surowych odczytów sekwencji do zidentyfikowania wariantów w genomie. 25 maja będzie kolejne seminarium, tym razem prowadzone przez dr n. med. Monika Piwowar. Koło pomagało również w organizacji Dnia Wydziału, który miał miejsce 18 marca 2015 roku. Licealiści odwiedzający Wydział Matematykii Informatyki mieli możliwośd uczestnictwa w jednym z trzech przygotowanych przez kołowiczów warsztatów tematycznych: Analiza filogenetyczna - rekonstrukcja historii ewolucji organizmów EteRNA - modelowanie sekwencji RNA, czyli nauka poprzez zabawę Zrozumied ludzki mózg: EyeWire i jak mapowad połączenia między 86 mld neuronów Zainteresowani mogli również ułyszed więcej na temat studiowania na specjalności bioinformatyka od naszych członków obsługujących punkt informacyjny i oprowadzających grupy licealistów. Po niespełna roku działalności koło otrzymało swoją siedzibę, która mieści w pokoju Zapraszamy do śledzenia na bieżąco naszych aktywności lub na fanpage u: na naszej stronie: 17

19 prof. dr hab. Daniel Wójcik CZĘŚD KONFERENCYJNA Sylwetki prelegentów Pracownia Neuroinformatyki Instytut Biologii Doświadczalnej im. Marcelego Nenckiego PAN w Warszawie Jeden z czołowych specjalistów w dziedzinie neuroinformatyki. Tematykę jego pracy badawczej stanowią zagadnienia modelowania i analizy aktywności neuronalnej, elektrofizjologii, neurobiologii obliczeniowej, tworzenia neuroinformatycznych systemów bazodanowych takich jak trójwymiarowe atlasy mózgu. prof.dr hab. Piotr Zielenkiewicz Zakład Bioinformatyki, Instytut Biochemii i Biofizyki PAN w Warszawie Dyrektor Instytutu Biochemii i Biofizyki PAN w Warszawie. Kierownik Zakładu Bioinformatyki, na którym jest również koordynatorem dwóch projektów badawczych: Metody informatyczne w biologii molekularnej oraz Modelowanie struktury i funkcji białek. prof. dr hab. Sławomir Filipek Wydział Chemii, Uniwersytet Warszawski Znany specjalista w dziedzinie chemii. Jego prace badawcze obejmują zagadnienia projektowania leków, modelowania struktur i badania dynamiki białek błonowych, badania procesów aktywacji białek, rozwoju nowych metod do gruboziarnistego modelowania białek, procesy oligomeryzacji białek i peptydów, grafiki komputerowej. dr hab. Andrzej Bielecki, prof. AGH Katedra Informatyki Stosowanej, AGH w Krakowie Pracownik AGH w Krakowie, współpracuje również z Uniwersytetem Jagiellooskim. Główne tematy badawcze jakimi się zajmuje to teoria układów dynamicznych - dynamika numeryczna, systemy sztucznej inteligencji - podstawy i zastosowania, biomatematyka, biocybernetyka. prof. dr hab. Andrzej J. Bojarski Instytut Farmakologii PAN w Krakowie Kierownik Zakładu Chemii Medycznej w Instytucie Farmakologii PAN w Krakowie. Jego główne tematy badawcze to komputerowo wspomagane projektowanie leków, modelowanie molekularne. 18

20 dr Bartek Wilczyński Instytut Informatyki, Uniwersytet Warszawski Zajmuje się modelami obliczeniowymi regulacji genów. Interesują go przede wszystkim modele pozwalające przewidywad ekspresję genów specyficzną tkankowo. Ostatnio koncentruje się na analizie wpływu struktury chromatyny na regulację ekspresji. prof. dr hab. Tomasz Lipniacki Instytut Podstawowych Problemów Techniki Polskiej Akademii Nauk w Warszawie Zakład Mechaniki i Fizyki Płynów (ZMiFP) Pracownia Modelowania w Biologii i Medycynie (PMBM) Z wykształcenia jest fizykiem, który zajął się matematycznym modelowaniem w biologii, a obecnie prowadzi pracownie z laboratorium eksperymentalnym: Jego zainteresowania badawcze ogniskują się wokół zagadnienia podejmowania decyzji przez komórki w odpowiedzi na stres. Ostatnio prowadzone badania, doświadczalne i teoretyczne, dotyczą mechanizmów nieswoistej obrony immunologicznej i procesów z nią związanych. dr hab. Piotr Łaszczyca Katedra Fizjologii Zwierząt i ekotoksykologii UŚ Katowice Biolog, specjalnośd fizjologia zwierząt. Prowadzi zajęcia z m.in. podstaw neurobiologii, fizjologii pracy i ergonomii, ekologii człowieka, zajmuje się m.in. ekotoksykologią. Ostatnio uczestniczył w dużym projekcie Zintegrowany System Zarządzania i Ochrony Zbiornika Zaporowego, którego jednym z koocowych rezultatów było zbudowanie i uruchomienie cyfrowego modelu ekosystemu zbiornika zaporowego. Na co dzieo lubi posługiwad się prostymi modelami matematycznymi zjawisk przyrodniczych. 19

21 WYKŁADY Przekazywanie sygnału i aktywacja receptorów GPCR. Symulacje dynamiki molekularnej prof. Sławomir Filipek Receptory GPCRs (G-protein-coupledreceptors), których człowiek ma ok. 800 różnych typów, pozwalają komórkom rozpoznawad różnorodne sygnały dochodzące do nich z zewnątrz. Sygnały te są przekazywane przez błonę komórkową aby wywoływad istotne dla organizmu efekty. Receptory GPCR są odpowiedzialne za nasze widzenie (rodopsyna), rozpoznawanie smaków i zapachów, oraz przekazywanie sygnałów niesionych przez hormony i neurotransmitery. Te wszystkie bodźce są rozpoznawane przez receptory GPCR i przekazywane do wnętrza komórki do białek pośredniczących (białko G oraz arestyna), a potem, z odpowiednim wzmocnieniem sygnału, do białek efektorowych. Obecnie, dzięki postępom w mikro-krystalografii, znane są struktury ponad 20 typów tych receptorów, co pozwala na zaawansowane badania strukturalne dotyczące procesu aktywacji receptora i przekazywania sygnału. Dzięki nim wiemy, że proces aktywacji składa się z szeregu, z pozoru drobnych, zmian struktury receptora wywoływanych przez mikroprzełączniki pod wpływem związania odpowiednich ligandów zwanych agonistami. Proces aktywacji prowadzi do całego szeregu różnych struktur kompleksu ligand-receptor w zależności od związanych ligandów. Najnowsze i najbardziej dokładne struktury receptorów GPCR wykazały obecnośd związanych i uporządkowanych cząsteczek wody we wnętrzu tych receptorów, co może wskazywad na ich rolę w procesie aktywacji. Jednak statyczne struktury krystaliczne nie są w stanie wyjaśnid tych procesów. Stosując mikrosekundowe symulacje pełnoatomowej dynamiki molekularnej badaliśmy aktywację szeregu różnych receptorów GPCR ze szczególnym uwzględnieniem reszt aminokwasowych uczestniczących w zmianie stanu mikroprzełączników. Symulacje wykazały, że warstwa hydrofobowa leżąca w pobliżu charakterystycznego motywu NPxxY tworzy bramę, która otwiera się, po zmianie konformacji przez resztę Y7.53, tworząc połączenie, na kształt kanału wodnego, pomiędzy zewnątrz- i wewnątrzkomórkową stroną receptora. Związanie agonisty wywołuje również napływ wody do miejsca wiążącego ligand w receptorze po zadziałaniu innego mikroprzełącznika związanego z resztą W6.48. Receptory GPCR są celem molekularnym dla ok. 30%-50% stosowanych leków, dlatego poznanie mechanizmów ich działania jest kluczem do projektowania nowych, bardziej efektywnych i selektywnych leków. 20

22 O hierarchicznej strukturze domen chromatyny dr. Bartek Wilczyoski Chromosomy są upakowane w jądrze komórkowym w stopniu trudnym doosiągnięcia w innych systemach. Struktura chromatyny jest trudna dozbadania nie tylko ze względu na stopieo zagęszczenia przekraczającymożliwości mikroskopów, ale także ze względu na swą dynamiczną naturę.chromosomy w komórkach macierzystych są upakowane nieco inaczej niż wdalszych fazach rozwoju. Ja opowiem o bioinformatycznych sposobach nabadanie macierzy kontaktów chromosomowych, aby opisad strukturęchromosomów i jej wpływ na ekspresję genów. Zastosowanie wirtualnych badao przesiewowych w poszukiwaniu nowych leków prof. dr hab. Andrzej J. Bojarski Wprowadzenie do neuroinformatyki prof. dr hab. Daniel Wójcik Gwałtowny rozwój technik stosowanych w neurobiologii w połączeniu ze wzrostem finansowania badao doświadczalnych mózgu doprowadził w ostatnich latach do eksplozji danych pozyskiwanych we wszystkich aspektach badao układu nerwowego, od genów do zachowania. Żeby optymalnie te dane wykorzystad niezbędne są odpowiednie schematy teoretyczne, nowoczesne metody analizy zaadaptowane do złożonych danych otrzymywanych nowymi metodami oraz odpowiednia infrastruktura komputerowa pozwalająca na współdzielenie, publikowanie, wizualizację i modelowanie otrzymanych danych. Rozwojem niezbędnych narzędzi teoretycznych, obliczeniowych oraz infrastruktury zajmuje się neuroinformatyka, do której zaliczam również neurobiologię teoretyczną i obliczeniową. W swoim seminarium powiem o przyczynach i historii rozwoju neuroinformatyki, skontrastuję ją z bioinformatyką, a następnie zilustruję wybranymi projektami realizowanymi w Pracowni Neuroinformatyki Instytutu Nenckiego PAN. Skupię się na ilustracji znaczenia modelowania w kontekście rozumienia funkcji układu oraz walidacji metod analizy danych doświadczalnych. Przedstawię wybrane projekty związane z analizą danych elektrofizjologicznych (rekonstrukcja CSD) i modelowaniem aktywności pętli korowo-wzgórzowej w złożonym modelu komputerowym. Jeżeli czas pozwoli wspomnę o analizie i modelowaniu danych behawioralnych (myszy w klatkach IntelliCage), a także nasze projekty atlasowe, bazę danych atlasów mózgów i konstrukcję atlasu mózgu oposa. 21

23 O sieciach biologicznych prof. dr hab. Piotr Zielenkiewicz Tradycyjnie uprawiana bioinformatyka kooczy się na analizie struktur i funkcji pojedynczych genów i białek. Techniki wysokoprzepustowe umożliwiają wgląd na poszczególne elementy na poziomie całej komórki, co wymaga bardziej zaawansowanej analizy charakterystycznej dla układów złożonych. Takie metody analizy w zastosowaniu do biologii uzyskały nazwę biologii systemów. Na podstawowym poziomie biologia systemów to analizy sieci interakcji w komórce. Omówione zostaną podstawowe parametry charakteryzujące właściwości sieci, ze szczególnym uwzględnieniem sieci biologicznych (oddziaływania białko-białko, sieci metaboliczne itp.). Na przykładzie interaktomu (sieci oddziaływao białko-białko) omówiony zostanie wpływ charakterystyki sieci biologicznych na zwalczanie chorób poprzez wybór miejsca ingerencji farmakologicznej. Szczegółowo omówiony zostanie proces poszukiwania leku przeciwdziałającego skutkom mutacji w genie Cystic Fibrosis Transmembrane Regulator (powodującej mukowiscydozę). Zjawisko życia w świetle cybernetyki dr hab. Andrzej Bielecki, prof. AGH Precyzyjne zdefiniowanie istoty życia jako takiego jest zadaniem trudnym i do dnia dzisiejszego nie rozwiązanym w zadowalający sposób. We współczesnej biologii przyjmuje się powszechnie, że podstawowymi cechami układów żywych jest rozmnażanie, metabolizm i ewolucja. Nie ulega wątpliwości, że powyższe cechy są podstawowe dla życia ziemskiego. Jednak pytanie, czy są one konieczną podstawą dla innych, hipotetycznych systemów żywych, które ewentualnie mogły powstad na innych planetach lub zostad zsyntetyzowane w laboratorium pozostaje otwarte. Dlatego niektórzy teoretycy próbują analizowad lub definiowad życie opierając się na najbardziej podstawowych prawach przyrody, używając narzędzi nauk teoretycznych takich jak termodynamika czy cybernetyka. Takie podejście reprezentuje Profesor Korzeniewski, który definiuje życie w kategoriach cybernetycznych. Celem referatu jest zaprezentowanie tej koncepcji uzupełnionej teorią systemów autonomicznych. Stochastyczny model nieswoistej odpowiedzi immunologicznej prof. Tomasz Lipniacki 22

24 e-świat i REALny mózg dr hab. Piotr Łaszczyca Trudno wyobrazid sobie życie bez elektronicznych mediów i informacji szerzącej się z ich użyciem. Postęp, jak zawsze, ma dwa oblicza. W badaniach wpływu e-świata na umysł człowieka pojawiają się odwieczne lęki i pytanie, jaka jest relacja między ogromem danych, informacją, wiedzą i mądrością (B.Stefanowicz, 2013). Badania nad skutkami zderzenia biologicznych struktur ukształtowanych przez 1,5 mld lat ewolucji z zaawansowanymi technikami informatycznymi wskazują, że efekty nie zawsze są pozytywne użytkownicy - nadużywający - tracą istotne zdolności kognitywne, a nawet szkodzą fizycznemu zdrowiu. Świadomośd problemu jest konieczna dla uniknięcia szkód i zmaksymalizowania zysków, zgodnie z Shelfordowską zasadą tolerancji poszukiwaniem złotego środka. 23

25 REFERATY Matematyka sieci a obrazowanie dyfuzyjne mózgu Adam Rybioski Zakład Neuroanatomii, Wydział Biologii i Nauk o Ziemi, Uniwersytet Jagiellooski adam.rybinski@outlook.com Referat Nauka o sieciach może nam pomóc przybliżyd się do zrozumienia nawet tak skomplikowanych systemów jak mózg. Przedstawiam metodę wydobywania matematycznej informacji połączeniach w mózgu ze skanów dyfuzyjnych magnetycznego rezonansu jądrowego. Metoda wymaga przeprowadzenia traktografii na danych dyfuzyjnych celem otrzymania informacji o istocie białej łączącej wybrane regiony mózgu. Następnie, mając zadane konkretne obszary mózgu, algorytm liczy ilośd traktów istoty białej łączących dane miejsca. Efektem jest uzyskanie macierzy połączeo, która może byd dalej analizowana za pomocą algorytmów i parametrów z matematycznej dziedziny opisującej sieci, czyli teorii grafów. Taki opis sieci mózgowych może pomóc nam uwidocznid różnice między naszymi mózgami, usprawnid diagnozowanie chorób oraz przybliżyd zrozumienie matematycznych aspektów połączeo w naszych mózgach. Prezentowana metoda korzysta z narzędzi Nipy, a w szczególności Dipy: otwartego oprogramowania do neuroobrazowania w języku Python. Wykorzystanie wolnego oprogramowania umożliwia nam dzielenie się pomysłami i rozwiązaniami konkretnych problemów metodologicznych, celem lepszego zrozumienia połączeo w naszych mózgach. Przewidywanie fenotypu z genotypu Jan Zaucha, Natalie Thurlby, Julian Gough Uniwersystet w Bristolu jan.zaucha@bristol.ac.uk Referat Badania, które prowadzę lokalizują się na pograniczu biologii, informatyki i matematyki. Ich celem jest opracowanie metody, która pozwoli na przewidywanie cech fenotypowych całego złozọnego organizmu z genotypu. Dotychczasowe pro by okresĺenia fenotypu na podstawie genotypu opieraja sie gło wnie na poszukiwaniu znacza cych mutacji poprzez analize kor elacji w wielu genotypach dla jednej cechy fenotypowej. [ 1-2] Proponowana metoda zakłada najpierw: 1. określenie szkodliwości polimorfizmów w genotypie (na podstawie modeli konserwacji kodu w danym połozẹniu "Functional Analysis through Hidden Markov Models" - fathmm [3]); 2. anotację funkcjonalną polimorfizmów do cech fenotypowych poprzez przypisanie odpowiednich funkcji geno w -korzystając z ont ologii geno w [4-6]; 3. a następnie klasyfikację wprowadzonego genotypu względem genotypów tła poprzez analize spektralną macierzy podobieostwa wszystkich genotypów [7]. Walidację predykcji przeprowadzam analizuja c wyniki hodowli rzodkiewniko w pospolitych (Arabidopsis 24

26 thaliana). Do badan wybrano rzodkiewnika ze wzgle du na dobrze opracowany gen otyp tej rośliny, jak ro wniez doste pnosć wielu szczepo w rosĺiny pochodza cych z ro zṇych zaka tko w świata 1001 genomes project [8]. Dodatkowo weryfikację modelu przeprowadze wykorzystując dane genotypowe i fenotypowe zebrane u p onad 10,000 dzieci urodzonych w latach 90-tych w regionie Bristolu w Anglii korzystaja c z danych z Bristolskiego projektu Avon Longitudinal Study of Parents and Children (ALSPAC) *9+. Badania są obecnie na etapie walidacji; wyniki walidacji nie są jeszcze zebrane. Zastosowanie algorytmu Kaczmarza w tomografii Michał Kozdęba Wydział Matematyki i Informatyki, Uniwersytet Jagiellooski mkozdeba.ssuj@gmail.com Referat Tomografia elektromagnetyczna od lat wykorzystywana jest w nauce. Dzięki współczesnym technologiom możemy zaglądnąd do wnętrza naszej planety lub naszego ciała bez konieczności ingerencji w strukturę obiektu badao. To właśnie dzięki tomografii uzyskuje się sporą ilośd informacji (m.in. o strukturze skał), które jednak należy przetworzyd, żeby móc z nich wyciągad wnioski. Do ich analizy stosuje się różnorodne algorytmy, przy czym głównie algorytm naszego rodaka Stefana Kaczmarza. Prezentacja ma na celu przedstawienie problemu rekonstrukcji obrazu z ograniczonej ilości danych. Każde uzyskane dane odpowiadają pewnym współczynnikom tłumienia fal elektromagnetycznych, które najłatwiej przedstawid w sprzecznym układzie wielu równao liniowych. Sprzecznośd układów jest spowodowana sporą liczbą pomiarów, która podyktowana jest powszechną niedokładnością przyrządów pomiarowych oraz zmiennością badanej struktury (np. tzw. pustki powietrzne ). Zostaną przedstawione pewne algorytmy, które stosuje się do znajdywania przybliżonych rozwiązao sprzecznych układów (metoda najmniejszych kwadratów). W prezentacji wyjaśniony będzie również fakt wyższości algorytmu Polaka nad innymi. Przeprowadzony zostanie także krótki dowód teoretyczny poparty przykładami rekonstrukcji dwóch obrazów. Zdawałoby się, że sprzeczne układy równao liniowych nie będą wykorzystywane w rzeczywistym świecie. Nic bardziej mylnego. Dzięki zastosowaniu algorytmów do sprzecznych informacji geolodzy, lekarze czy astronomowie nie wyrzucają wyników swoich badao do kosza, ale wykorzystują je do przybliżonej analizy. Jak się okazuje w wielu ważnych, nie zawsze widocznych dziedzinach współczesnego świata, odkrycia Polaków przyczyniają się do rozwoju ludzkości. 25

27 POSTERY Charakterystyka oddziaływania białek ściany komórkowej drożdży C. albicans z białkowymi składnikami sieci neutrofilowych metodą powierzchniowego rezonansu plazmonowego oraz fotoreaktywnego cross--linkingu Anna Kluza,Kinga Klaga,, Karolina Seweryn, Oliwia Bocheoska, Maria Rąpała-Kozik Zakład Biochemii Analitycznej, Wydział Biochemii, Biofizyki i Biotechnologii, Uniwersytet Jagiellooski a.kluza@uj.edu.pl, kinga.klaga@doctoral.uj.edu.pl Poster Drożdżaki C. albicans to oportunistyczne patogeny występujące u prawie 70% populacji, które w warunkach długotrwałej terapii antybiotykowej, ciąży, podeszłego wieku bądź zespołu nabytego braku odporności mogą powodowad zakażenia lokalne oraz systemowe z wysokim współczynnikiem śmiertelności około 50%. Ich główne czynniki wirulencji to zmiany morfologiczne, produkcja adhezyn, sekrecja enzymów proteolitycznych oraz zmiennośd fenotypowa. Istotnym, niedawno zidentyfikowanym, elementem są również białka ściany komórkowej, należące do grupy tzw. moonlight proteins. Pełnią one dwie podstawowe funkcje: przyczyniają się do integralności ściany komórkowej oraz wchodzą w interakcje ze środowiskiem. Jedną z pierwszych linii obrony organizmu przed tego rodzaju patogenami stanowią neutrofile. Do niedawna uważano, że komórki te niszczą patogeny jedynie na drodze fagocytozy lub degranulacji. Obecnie wiadomo, że neutrofile zdolne są także do aktywnego wyrzucania struktur przypominających sieci (NETs - neutrophil extracellular traps), składających się z DNA, histonów oraz białek pochodzących z ziarnistości cytoplazmatycznych. Rolą tych pułapek jest neutralizacja mikroorganizmów poprzez utrudnienia ich ruchu oraz lokalne zwiększenie stężenia czynników szkodliwych. W przeprowadzonych badaniach wykazaliśmy za pomocą powierzchniowego rezonansu plazmonowego oraz fotoreaktywnego cross-linkingu oddziaływanie pomiędzy białkami ściany komórkowej C. albicans (enolazą, izomerazą triozofosforanową, fosfogliceromutazą) oraz głównymi białkowymi składnikami NETs (mieloperoksydazą, elastazą, laktoferyną oraz azurocydyną). Cross-linking oraz analiza przy pomocy spektrometrii mas umożliwiły wskazanie miejsca wiązania wytypowanych partnerów interakcji. Odległości pomiędzy atomami białka w funkcji kątów dwuściennych Φ i Ψ Zbigniew Baster, Tomasz Witko Wydział Fizyki, Astronomii i Informatyki Stosowanej Uniwersytetu Jagiellooskiego zbigniew.baster@doctoral.uj.edu.pl Poster Przedstawiony model matematyczny łączy ze sobą wartości kątów dwuściennych reszty aminokwasowej w białku z odległością pomiędzy dwoma atomami. 26

28 Model przedstawia białko jako układ posiadający dwie osie rotacji ustawione wzdłuż osi kątów dwuściennych Φ i Ψ pojedynczej reszty. Przy zablokowanej N-koocowej części łaocucha wykorzystując proste przekształcenia geometryczne możliwe jest wyznaczenie położenia dowolnego atomu z C-koocowej części łaocucha, a więc również odległości pomiędzy dowolnymi dwoma atomami w funkcji wartości kątów dwuściennych dowolnej reszty [1]. Porównanie specyficzności oddziaływania wybranych flawonów ze świoskim białkiem AhR Ciereszko R., Orłowska K., Jastrzębski J. P., Tomasz Molcan,Myszczyoski K., Paukszto Ł. Uniwersytet Warmiosko-Mazurski w Olsztynie tomasz.molcan@uwm.edu.pl Poster Alfa-naftoflawon (alphanf) oraz beta-naftoflawon (betanf) wykazują zdolnośd oddziaływania ze świoskim białkiem receptora węglowodorów aromatycznych (AhR) *1+. Specyficznośd tego oddziaływania na poziomie atomowym nie jest znana *2+. Celem badao było określenie specyficzności oraz powinowactwa alphanf i betanf do świoskiego białka AhR metodami in silico. W tym celu wykorzystano techniki modelowania molekularnego oraz symualcji dynamiki molekularnej. Wyniki wykazały wyższe powinowactwo betanf do białka AhR o 3,9 kcal/mol w stosunku do alphanf. Zidentyfikowano także różnice w oddziaływaniu poszczególnych residułów białka AhR z analizowanymi flawonami. W następnym etapie planowane jest wydłużanie czasów symulacji oraz przeanalizowanie większej liczby związków należących do grupy flawonów i wykonanie analiz laboratoryjnych potwierdzających dane bioinformatyczne. Poszukiwanie ligandów receptora 5-HT7 poprzez wirtualne badania przesiewowe z wykorzystaniem metody porównywania kształtu i dokowania molekularnego Mateusz Jabłooski 1,Justyna Kalinowska-Tłuścik 1, Pascal Bonnet 2, Grzegorz Satała 3, Andrzej Bojarski 3 1 Zespół Biokrystalografii, Zakład Krystalochemii i Krystalofizyki, Wydział Chemii, Uniwersytet Jagiellooski 2 Instytut Chemii Organicznej i Analitycznej, Uniwersytet w Orleanie, Orlean, Francja 3 Zakład Chemii Leków, Instytut Farmakologii, Polska Akademia Nauk, Kraków jablonski.krystalografia@gmail.com Poster Serotonina (5-HT, 5-hydroksytryptamina) jest jedną z najstarszych ewolucyjnie biogennych monoamin. Rodzinę receptorów serotoninowych podzielono na 7 głównych klas, spośród których wyróżnid można co najmniej 14 różnych klas. Przedstawiciel ostatniej głównej klasy, receptor 5-HT 7, uczestniczy m.in. w regulowaniu temperatury i odpowiada za prawidłowe 27

29 funkcjonowanie pamięci. Brak eksperymentalnych danych strukturalnych większości członków rodziny receptorów 5-HT stanowi wyzwanie w procesie projektowania selektywnych ligandów poszczególnych klas. Problem ten jest szczególnie widoczny podczas projektowania ligandów receptora 5-HT 7, ponieważ wykazują one często powinowactwo do receptora 5-HT 1A, charakteryzującego się wysokim podobieostwem sekwencji aminokwasowej. W niniejszej pracy podjęto próbę znalezienia potencjalnych ligandów receptora serotoninowego 5-HT 7 nie wykazujących aktywności wobec receptora 5-HT 1A. Podstawową zasadą opracowanego protokołu wirtualnych badao przesiewowych było połączenie czasochłonnej metody dokowania molekularnego oraz metody porównania kształtu. Takie rozwiązanie miało na celu umożliwienie przeszukania bazy milionów cząsteczek w przeciągu kilku dni na zwykłej stacji roboczej. Pierwszy etap składał się z dokowania znanych ligandów o wysokim powinowactwie do celu biologicznego. Uzyskane w ten sposób konformacje stanowiły następnie matrycę porównywania kształtu związków z przeszukiwanej bazy. W kolejnym etapie, jedynie najwyżej ocenione pod względem podobieostwa związki były wykorzystane w eksperymentach dokowania molekularnego. Wirtualne badania przesiewowe z wykorzystaniem opisanego protokołu przeprowadzono na bazie ZINC. Częśd najwyżej ocenionych związków została zakupiona oraz zbadana pod kątem powinowactwa do receptorów 5-HT 1A i 5-HT 7. Rekonstrukcje neuronalne - środowisko informatyczne i wykorzystanie Judyta Jabłońska Zakład Neuroanatomii, Wydział Biologii i Nauk o Ziemi, Uniwersytet Jagiellooski juda.jablonska@gmail.com Poster Obecnie informacje na temat morfologii komórek nerwowych uzyskiwane są coraz częściejz udziałem koncepcji cyfrowych rekonstrukcji. W kilku etapach zawierających przygotowanie tkanki, wizualizację, uzyskanie oraz obróbkę obrazu, a w koocu tracing tworzone są wystarczająco wierne odwzorowania kształtu danej komórki. Nie byłoby to możliwe bez zastosowania rozwiązao informatycznych, do których należą zarówno komercyjne, rozbudowane programy (Neurolucida, Amira) jak i pluginy lub skrypty, zarówno do ogólnodostępnych (ImageJ, R, Python) jak i płatnych (MATLAB) programów, udostępniane bądź wykorzystywane jedynie na potrzeby danego laboratorium. Obecnie rynek neuroinformatyczny bogaty jest w wiele alternatywnych algorytmów różniących się pod względem funkcjonalności, możliwości spełnienia potrzeb danego badania, ceny, kompatybilności z systemem operacyjnym czy dostępnością wsparcia technicznego. Rekonstrukcje neuronalne wykorzystywane są w modelowaniu funkcji układu nerwowego, co stanowi klucz do poznania trudnych do obserwacji w naturze mechanizmów rozwoju czy elektrofizjologicznych aspektów funkcjonowania komórki lub sieci nerwowych (np. program NEURON). Warto poznad tajniki tej metody, ponieważ idea trójwymiarowych rekonstrukcji znajduje szerokie zastosowanie zarówno w neurobiologii, medycynie, a także genetyce, zwłaszcza w badaniach porównawczych wpływu różnorodnych czynników biochemicznych oraz w poznaniu mechanizmów zmian patologicznych w przypadku chorób 28

30 neurodegeneracyjnych. Znaczny potencjał tej metody zostanie omówiony wraz z wybranymi przykładami narzędzi oraz ich alternatywnymi rozwiązaniami. Synteza nanocząstek magnetycznych opłaszczonych Ni-NTA, charakterystyka spektroskopowa oraz ocena ich funkcjonalności Rafał Piwowarczyk, Anna Kluza, Przemysław Dutka,Anna Salerno-Kochan, Cezary Czosnek, Ibeth Guevara-Lora,, Koło Naukowe Studentów Biochemii N.zyme, Wydział Biochemii, Biofizyki i Biotechnologii, Uniwersytet Jagiellooski rafal.piwowarczyk@student.uj.edu.pl Poster Bionanotechnologia to stosunkowo nowa, jednak prężnie rozwijająca się dziedzina nauki. Odkąd Richard Feynman wypowiedział słynne zdanie: There's plenty of room at the bottom! minęło już 55 lat, w czasie których naukowcy o różnych specjalizacjach połączyli siły i zeszli wraz ze swoimi badaniami do skali nano. Nanocząstki magnetyczne, dzięki swoim interesującym właściwościom, takim jak superparamagnetyzm, znaczny stosunek powierzchni do objętości, szybkośd procesu separacji pod wpływem zewnętrznego pola magnetycznego, od kilkudziesięciu lat przyciągają uwagę szerokiego grona naukowców. W tym czasie opracowano wiele metod mających na celu ich funkcjonalizację. Modyfikacja powierzchni umożliwia opłaszczenie nanocząstek magnetycznych specyficznymi substancjami, nadając im nowe właściwości i zastosowania. Celem autorów było opracowanie nanocząstek magnetycznych opłaszczonych Ni NTA (ang. nitrilotriacetic acid), umożliwiających wiązanie do ich powierzchni białek, posiadających co najmniej dwukrotne powtórzenia reszt histydynowych. Możliwe jest zastosowanie tak przygotowanych nanocząstek, jako złóż chromatograficznych do oczyszczania białek zawierających tzw. metki histydynowe, często stosowane podczas nadekspresji białek w systemach bakteryjnych. Syntezę nanocząstek magnetycznych z Fe3O4 przeprowadzono metodą strąceniową, a następnie dokonano ich silanizacji oraz funkcjonalizacji poprzez opłaszczenie kwasem nitrylotrioctowym za pomocą EDC (ang. 1-ethyl-3-(3- dimethylaminopropyl)carbodiimide) oraz sulfo-nhs (ang. sulfo-n-hydroxysuccinimide). W celu potwierdzenia doświadczeo wykonano pomiary FT-IR oraz przeprowadzono analizę elektroforetyczną. Otrzymane nanocząstki próbowano zastosowad do oczyszczania białka CRP z metką histydynową, poddanego nadekspresji w komórkach bakterii E.coli. Czystośd uzyskanego preparatu sprawdzono przy pomocy elektroforezy SDS-PAGE. 29

31 Udział białka SOD1 w stwardnieniu zanikowym bocznym Ewa Kownacka, Karolina Bejm e.kownacka@interia.pl, bejmkarolina@gmail.com Politechnika Wrocławska Poster CEL: Celem projektu jest przeprowadzenie szeregu analiz, z zakresu bioinformatyki i biologii obliczeniowej, mających określid udział białka SOD1 (dysmutazy ponadtlenkowej) w stwardnieniu zanikowym bocznym. METODY: Do analizy wykorzystano serwisy EMBL-EBI oraz NCBI, które stanowią zbiór bioinformatycznych oraz biomedycznych baz danych. W celu zbadania pokrewieostwa organizmów pod kątem białka, wykonano szereg dopasowao par sekwencji (ang. Pairwise Sequence Alignment) oraz wielu sekwencji (ang. Multiple Sequence Alignment). Za pomocą pakietu narzędzi HMMER oraz bazy danych Pfam zapoznano się z rodziną białka SOD1. Przeanalizowano również duże projekty genomowe w celu uzyskania informacji na temat dysmutazy ponadtlenkowej. W koocowym etapie zamodelowano strukturę dwui trzeciorzędową za pomocą serwisów PSI-PRED oraz 3djigsaw. WYNIKI: Wykorzystanie dostępnych narzędzi bioinformatycznych dostarczyło wielu istotnych informacji na temat białka oraz stwardnienia zanikowego bocznego. WNIOSKI: Dysmutaza ponadtlenkowa 1 jest członkiem rodziny białek działających jako enzymy antyoksydacyjne. Należą do niej także SOD2 i SOD3, które różnią się lokalizacją w komórce. SOD1 występuje wewnątrz komórki w cytoplazmie, a SOD3 pozakomórkowo. Dysmutaza ponadtlenkowa 1 wiąże jony miedzi i cynku tworząc homodimer. Mutacja w obrębie genu kodującego to białko (znajdującego się na chromosomie 21) jest przyczyną stwardnienia zanikowego bocznego. Pod względem zmienności gatunkowej, białko SOD1 Człowieka Rozumnego jest bardzo podobne do białka Szympansa Zwyczajnego. Słowa kluczowe: dysmutaza ponadtlenkowa, stwardnienie zanikowe boczne, ukryte Modele Markowa, modelowanie struktury białka. Zależności pomiędzy głębokością pokrycia, a ilością oraz jakością zidentyfikowanych transkryptów podczas analizy różnic w ekspresji genów z wykorzystaniem RNA-seq Renata Ciereszko, Karina Orłowska, Jan Paweł Jastrzębski, Tomasz Molcan, Kamil Myszczyoski, Łukasz Paukszto Uniwersytet Warmiosko-Mazurski w Olsztynie, Katedra Fizjologii, Genetyki i Biotechnologii Roślin kamil.myszczynski@gmail.com Poster Wysokoprzepustowe sekwencjonowanie transkryptów (RNA-seq) jest obecnie atrakcyjną metodą wykorzystywaną podczas analizy ekspresji genów. Poprzednią powszechnie stosowaną w tym celu technologią były mikromacierze ekspresji genów. Mikromacierze 30

32 (MA) nadal cieszą się popularnością w tego typu analizach, jednak zainteresowanie środowisk naukowych technologią RNA-seq stale wzrasta. Spowodowane jest to między innymi większymi możliwościami sekwencjonowania wysokoprzepustowego. Dotychczasowa specyfikacja pracy z badaniami wykorzystującymi analizy MA w porównaniu z RNA-seq została lepiej poznana. Natomiast właściwe przygotowanie eksperymentu z udziałem wysokoprzepustowego sekwencjonowania transkryptów nadal wzbudza pewne wątpliwości. Jednym z kluczowych elementów planowania eksperymentu z wykorzystaniem wysokoprzepustowego sekwencjonowania transkryptomów jest ilośd odczytów otrzymanych na badaną próbkę, czyli głębokośd pokrycia. Zbyt niskie pokrycie transkryptomu uniemożliwia pomiar różnic w ekspresji genów, natomiast zbyt wysokie generuje zbędne koszty analizy laboratoryjnej. Zatem właściwe oszacowanie wymaganej ilości odczytów może przesądzid o powodzeniu danego badania. Założeniem poniższego badania była ocena zależności pomiędzy głębokością pokrycia, a ilością oraz jakością zidentyfikowanych transkryptów podczas analizy różnic w ekspresji genów z wykorzystaniem RNA-seq. W analizie wykorzystano odczyty RNA-seq pochodzące z wątroby świni. Ogólną liczbę 80 mln odczytów podzielono na 8 losowo wygenerowanych zbiorów odczytów zawierających: 10, 20, 30, 40, 50, 60, 70 oraz 80 mln odczytów. Z powyższych analiz wynika, że stałe zwiększanie ilości zsekwencjonowanych odczytów nie prowadzi do współmiernego podniesienia jakości badania, a przy tym staje się ono coraz bardziej wymagające obliczeniowo. Zastosowanie funkcji GAD do analizy sygnału epileptycznego Martyna Gajos martynakgajos@gmail.com Uniwersytet Warszawski, Koło Naukowe Neurobiologii UW,Koło Naukowe Bioinformatyki i Biologii Systemów UW Poster Około 60% pacjentów cierpiących na epilepsję (0,4% populacji krajów rozwiniętych) cierpi na napady ogniskowe. U około 15% tych pacjentów, stan nie jest wystarczająco kontrolowany przez leki przeciwpadaczkowe. Przy założeniu, że 50% pacjentów jest kandydatami do leczenia operacyjnego, 4,5% wszystkich pacjentów z epilepsją (0,03% populacji) może potencjalnie zyskad na leczeniu operacyjnym. W zależności od typu epilepsji oraz możliwości zdefiniowania w przejrzysty sposób strefy odpowiedzialnej za napady (ang. epileptogenic zone). Biorąc pod uwagę niewielką częstośd napadów epileptycznych u pacjentów po operacji, operacja może byd uważana za skuteczną formę leczenia. Dokładna lokalizacja ogniska epileptycznego jest bardzo ważna w analizie napadów u pacjentów z uciążliwą epilepsją, będących kandydatami do operacji. Wiele napadów epileptycznych może zostad zlokalizowanych za pomocą napadowych nagrao EEG, inne napady wymagają wewnątrz-czaszkowych nagrao (ICEEG) do dokładnej lokalizacji, jednak źródła niektórych napadów (np. napady o źródle w korze nowej) mogą byd trudne do lokalizacji nawet z użyciem inwazyjnych, wewnątrz-czaszkowych nagrao. 31

33 Celem pracy jest przegląd obecnie dostępnych metod diagnostycznych używanych przy przygotowaniach do operacji pacjentów z epilepsją. Omówione zostaną następujące metody: Gabor Atom Density (GAD), Direct Transfer Function (DTF) oraz Phase-Clustering Index (PCI). Wymienione metody mogą zostad użyte nie tylko do poszukiwania ogniska epileptycznego, lecz także do różnorodnych analiz sygnału EEG. Przedstawione zostaną wyniki analiz metodą GAD sygnałów napadowych pacjentów z bazy napadów epileptycznych Epilepsiae. Na otrzymanych wynikach zostaną pokazane zalety i ograniczenia metody GAD. Mind Uploading Piotr Kruk 1, Aneta Latacz 2 1 Instytut Informatyki i Matematyki Komputerowej, Wydział Matematyki i Informatyki, Uniwersytet Jagiellooski, 2 Instytut Zoologii, Wydział Biologii i Nauk o Ziemii, Uniwersytet Jagiellooski piotr@kruk.co, aneta.latacz@gmail.com Poster Transfer umysłu (ang. mind uploading) jest to hipotetyczny proces przekopiowania ludzkiej świadomości do komputera poprzez precyzyjne zmapowanie 1:1 wszystkich połączeo neuronalnych w mózgu z użyciem symulacji komputerowej i sztucznych sieci neuronowych. Ta futurystyczna idea pozostająca dotychczas jedynie w sferze hipotez powoli staje się rzeczywistością stanowiąc jeden z głównych celów badao neuroinformatyków. Największe osiągnięcia w tej dziedzinie ma w tej chwili Blue Brain Project, w którym badaczom udało się stworzyd symulację około miliona neuronów i miliarda połączeo neuronalnych. Równolegle prowadzone są inne projekty takie jak Human Brain Project, Brain Activity Map czy Green Brain Project, jak i również badania naukowe prowadzone przez naukowców z organizacji nonprofit carboncopies.org. Podstawowymi celami mind uploadingu jest nieśmiertelnośd, wyeliminowanie somatycznych ograniczeo, tworzenie kopii umysłów oraz eksploracja kosmosu. Również dzięki aktualnym badaniom w tej dziedzinie zyskujemy ogromną wiedzę na temat działania ludzkiego mózgu. Bieżącymi problemami jest brak odpowiedniej mocy obliczeniowej, niekompletna wiedza o działaniu mózgu, niewystarczające modele sztucznych sieci neuronowych oraz kwestie etyczne. Mimo to naukowcy przewidują, że dzięki rosnącemu postępowi technologicznemu już w 2045 roku przeniesienie umysłu do komputera będzie możliwe prowadząc do zatarcia się granicy między życiem, a śmiercią. Zagrożenia związane z wykorzystaniem interfejsów mózg-komputer Mariusz Sekulski Uniwersytet Mikołaja Kopernika sekulski.mariusz@wp.pl Poster Dynamika zmian technologicznych wzrosła w ciągu ostatnich dziesięcioleci osiągając obecnie tempo wzrostu wykładniczego. Ze względu na to, z dekady na dekadę coraz 32

34 trudniejsze staje się szacowanie i prewencja zagrożeo związanych z wykorzystywaniem wielu technologii. Jedną z nich są interfejsy mózg-komputer. Ze względu na obecne możliwości jakie daje postępującą miniaturyzacja i wzrost możliwości obliczeniowych sprzętu, znajdują one coraz szersze zastosowanie w wielu dziedzinach. Wiodącą jest tutaj medycyna, gdzie od wielu lat stosuje się je jako systemy umożliwiające komunikację oraz poruszanie się osobom sparaliżowanym. Pojawiają się również projekty zastosowania ich przy sterowaniu dronami oraz jako wsparcie przy rozpoznawaniu celu na polu walki. Równolegle dosyd dynamicznie rozwijają się interfejsy komercyjne. Ich obecna generacja, platformy EPOC i OpenBCI umożliwiają relatywnie szerokim rzeszom, pozbawionym wiedzy medycznej, tworzenie przy ich pomocy kontrolerów sprzętu i oprogramowania. To zaś, może prowadzid do poddawania użytkowników zupełnie niekontrolowanemu neurofeedbackowi, którego skutki uboczne są jak na razie słabo poznane. Ponadto komercyjnie dostępne interfejsy mózg-komputer tworzą możliwośd wykradania danych wrażliwych na podstawie rejestrowanej aktywności neuronalnej. Poster stanowi przegląd badao na te tematy. Adaptacyjne losowanie istotne poprzez minimalizację estymatorów różnych funkcji Tomasz Badowski Wolny Uniwersytet Berlioski tomasz.badowski@gmail.com Poster Wydajnośd metod Monte Carlo można mierzyd przy użyciu odwrotności stałej nieefektywności, zdefiniowanej jako iloczyn średniego czasu pojedynczej symulacji i wariancji użytego estymatora(glynn and Whitt). Losowanie istotne jest popularną techniką zwiększania wydajności metod Monte Carlo, która znalazła liczne zastosowania, między innymi do liczenia wartości oczekiwanych w dynamice molekularnej (Zhang) i matematyce finansowej (Jourdain). Porównujemy wydajnośd adaptacyjnych metod losowania istotnego polegających na wieloetapowej minimalizacji estymatorów różnych funkcji. Minimalizowanymi estymatorami są dobrze znane estymatory entropii względnej (Zhang) i średniego kwadratu odpowiednio sparametryzowanego estymatora losowania istotnego(jourdain and Lelong) oraz nowe estymatory wariancji i stałej nieefektywności takiego estymatora losowania istotnego. W naszych eksperymentach numerycznych rozważamy dyfuzję cząstki w jednowymiarowym potencjale, symulowaną przy użyciu schematu Eulera. Liczymy między innymi prawdopodobieostwo ucieczki takiej cząstki ze studni potencjału w określonym czasie. Losowanie istotne, opierające się na dyskretnej wersji twierdzenia Girsanowa, wymaga symulowania ruchu cząstki w zmodyfikowanym potencjale. Największe redukcje stałych nieefektywności estymatorów losowania istotnego osiągnięto poprzez minimalizację estymatorów stałej nieefektywności, a następnie wariancji, średniego kwadratu i entropii wzajemnej. 33

35 Słowniczek dla biologów Deskryptor pliku identyfikator pliku wykorzystywany przez system operacyjny. Operator w ujęciu programistycznym, jest jedno lub dwuargumentową konstrukcją zwracającą wartośd. Przykładami operatorów są operatory arytmetyczne +, -, * lub porównania >. Parser inaczej analizator składniowy. Program umożliwiający przekształcenie tekstu czytanego przez komputer na użyteczną dla niego strukturę danych. Pętla for w języku Python oznacza przejście po każdym z elementów struktury danych zawierającej uporządkowane elementy, na przykład listy, stringu, czy krotki. Przeładowanie zdefiniowanie wielu funkcji o tej samej nazwie, różniącej się liczbą lub typem argumentów. Opisywany przykład dotyczył przełdowania operaora -, innymi słowy funkcji odejmowania. Program rozpoznaje typ argumentów (gdyby były to liczby zmiennoprzecinkowe, to odjąłby jedną od drugiej) i w przypadku wykrycia obiektów typu Atom (opisanych trzema współrzędnymi w przestrzeni trójwymiarowej), obliczy odległośd między nimi. Złożonośd wielomianowa - złożonośd obliczeniowa sama w sobie jest parametrem informującym o czasie działania programu. Złożonośd wielomianowa wyraża się w postaci nk, na przykład n2, gdzie n jest liczbą danych wejściowych. Słowniczek dla Informatyków ExPASy - portal internetowy integrujący liczbe bazy danych, oprogramowanie bioinformatyczne i inne zasoby naukowe. UniProt - baza danych sekwencji i funkcji białek i główne repozytorium danych pochodzących z różnych innych źródeł, takich jak SwissProt. UniProtKB/Swiss-Prot baza danych aktualizowana ręcznie, zawierająca niepowtarzalne sekwencje białek. 34

36